搜索资源列表
CameracaUbraifonformonocularvision
- 摄像机标定是计算机视觉领域的一个研究热点，为了解决单目摄像机标定中的精度不高、模型复杂、鲁棒性差等问题，依 据神经网络、遗传算法及摄像机标定的特点，提出了基于遗传算法和BP神经网络相结合的单目摄像机标定方法。该方法充分利用 遗传算法的全局优化和神经网络的局部收敛的特点，一方面避免了建立复杂的摄像机成像模型，另一方面增强了摄像机标定的精 度和鲁棒性。-The camera calibration isoneofmostimportantresearch ifeldsin compute
model-CANDIDE
- 在模型与人脸初步匹配后, 对模型局部进行网格优化,提高了模型的表征力同时并不影响匹配速度 -In the initial model and face after the match, the model for local mesh optimization to improve the characterization of the model at the same time does not affect the matching speed force
Coordination-and-Optimization
- 将网损价格因子和网损协调系数引入目标函数,建立了改进直流潮流模型,实现了负荷在机组间的最优分配 利用交流潮流方法计算系统实际网损,并利用增量直流潮流模型将网损在机组间进行合理分摊 最后利用交直流迭代思想修正网损价格因子和网损协调系数以优化网损分配方案。IEEE14节点和IEEE118节点算例验证了该方法的可行性,算例结果充分逼近了交流最优潮流的计算结果,符合实际系统运行状况。-The net loss and net loss of coordination price factor intro
Bus-stop-based-on-ti
- 本文旨在对城市郊区智慧公交优化调度进行研究，在公交静态调度模型的基础上，建立智慧公交系统动态调度优化模型-BUS STOP
Robust-Beamforming-via-Semidefinite
- 现有的向量加权稳健波束形成方法只有在指向误差较小的情况下才能有效估计目标的信号功率；矩阵加权波束形成方法在指向误差较大时，虽然可以估计目标的信号功率，但是它的系统实现复杂度与向量加权稳健波束形 成方法相比较大。针对以上问题，该文提出基于半正定秩松弛(SDR)方法的稳健波束形成，该方法优化模型中的目标函数与Capon 算法的目标函数相同，优化变量为加权向量的协方差矩阵，并约束方向图的主瓣幅度波动范围、旁瓣电平，协方差矩阵的秩为1。-The existing vector weighted ro
一份关于机器学习“模型再训练”的终极指南
- 机器学习模型的训练，通常是通过学习某一组输入特征与输出目标之间的映射来进行的。一般来说，对于映射的学习是通过优化某些成本函数，来使预测的误差最小化。